Une source de données désigne l'endroit d'où proviennent les données. Bases de données, API, fichiers journaux, capteurs, enquêtes et archives publiques constituent autant de sources. La source détermine la structure, la qualité et la fiabilité des données. Une base de données bien tenue, avec des contraintes et une validation, produit des données plus fiables qu'une feuille de calcul remplie manuellement. Un capteur présentant une dérive d'étalonnage génère des mesures biaisées. Un jeu de données public peut être incomplet ou obsolète.

Connaître la source est essentiel pour garantir la fiabilité des données. D'où proviennent-elles ? Qui les a collectées ? Quand ? Comment ? Quelle méthode a été utilisée ? Quelles données ont été exclues ? Ces questions déterminent la portée des données. Les résultats d'une enquête menée auprès de 100 personnes ne permettent pas de tirer des conclusions concernant une population de plusieurs millions d'individus. Un système qui n'enregistre que les transactions réussies ne prend pas en compte les échecs. Les données d'un fournisseur peuvent être exactes pour ses propres besoins, mais inadaptées aux vôtres. La source influe également sur le processus. Une base de données avec un schéma stable est plus facile à intégrer qu'un site web dont le code HTML est modifié mensuellement. Une API avec des limitations de débit restreint la quantité de données que vous pouvez extraire. Un fichier reçu manuellement est sujet aux retards et aux erreurs. La source est le fondement. Un fondement fragile compromet tout ce qui est construit par-dessus.

Sources de données communes

• Bases de données — enregistrements structurés provenant d'applications
• API — accès programmatique aux systèmes externes
• Fichiers journaux — événements système et applicatifs
• Capteurs — mesures physiques continues
• Enquêtes — réponses structurées des personnes
• Documents publics — données gouvernementales et ensembles de données ouverts

Avant de se fier aux données, il est essentiel de comprendre leur source. Les réponses sont souvent plus révélatrices que les données elles-mêmes.